第 8 章 Facet 切圖
依照data frame中某些欄位將資料切成很多小的data frame, 一一套上相同的ggplot設計切割出很多小張但有相同幾何美學設計的圖群。
xfun::download_file("https://www.dropbox.com/s/v8rchkn63fzgjj3/drake_facet.Rdata?dl=1")
load("drake_facet.Rdata")8.1 Facet wrap (單切面圖)
目標 不同行政區，三黨得票率面向欄位：原始資料要存在一個能區分不同行政區的欄位變數（假設叫地區）。
基本圖設計：先畫好單一行政區「data frame」下，三黨得票率的直方圖（基本設計）：
ggplot_objectfacet_wrap: 使用facet，自動將相同基本設計套用在不同行政區資料進行繪圖。
ggplot Object +
facet_wrap(...)
8.2 2020總統大選全國資料
- 資料來源：
library(ggplot2)
library(dplyr)
dataSource <- "https://db.cec.gov.tw/histQuery.jsp?voteCode=20200101P1A1&qryType=ctks"
predElection2020 <- readxl::read_excel("~/Dropbox/github-data/109-1-econDV/election2020.xls")8.2.1 Pseudo-codes
# 資料整理
df_byCounty <- {
}# 基本設計
ggByCounty <- function(Xdata){
ggplot(
data=Xdata
) +
geom_col(
aes(
x=號次, y=得票率, fill=號次
)
)
}
df_byCounty %>%
filter(地區=="新北市") %>%
ggByCounty()# 切圖
ggfacet_election <- {
df_byCounty %>%
ggfacet_election() +
facet_wrap(
vars(地區)
)
}8.2.2 資料整理
predElection2020rev = {
predElection2020 %>%
filter(
!is.na(號次)
) -> predElection2020_b
predElection2020_b$地區 %>%
na.omit() %>%
purrr::map(
~{rep(.x,3)}
) %>%
unlist() ->
predElection2020_b$地區
attr(predElection2020_b, "data source") <- dataSource
predElection2020_b %>%
group_by(
地區
) %>%
mutate(
地區票數=sum(得票數)
) %>%
ungroup() -> predElection2020rev
}各地區得票率統計
predElection2020rev %>%
group_by(號次, 地區) %>%
summarise(
得票率=sum(得票數)/sum(地區票數)
) %>%
ungroup() -> df_byCounty8.2.3 基本設計：單一地區
# 基本設計
ggByCounty <- function(Xdata){
ggplot(
data=Xdata
) +
geom_col(
aes(
x=號次, y=得票率, fill=號次
)
)
}
df_byCounty %>%
filter(地區=="新北市") %>%
ggByCounty()8.2.4 切圖
df_byCounty %>%
# 刪除
# filter(
# 地區=="新北市"
# ) %>%
ggplot() +
geom_col(
aes(
x=號次, y=得票率, fill=號次
)
) +
# 加上
facet_wrap(
vars(地區)
)
8.3 Facet grid (雙切面圖)
8.4 2012-2020總統大選
目標 藍綠兩黨在北部各縣市的三次大選得票率走勢8.4.1 資料來源處理
predElection2012<- readxl::read_excel("~/Dropbox/github-data/109-1-econDV/election2012.xls")
predElection2016 <- readxl::read_excel("~/Dropbox/github-data/109-1-econDV/election2016.xls")
fix_electionData <- function(predElection2020){
predElection2020 %>%
filter(
!is.na(號次)
) -> predElection2020_b
predElection2020_b$地區 %>%
na.omit() %>%
purrr::map(
~{rep(.x,3)}
) %>%
unlist() ->
predElection2020_b$地區
attr(predElection2020_b, "data source") <- dataSource
predElection2020_b %>%
group_by(
地區
) %>%
mutate(
地區票數=sum(得票數)
) %>%
ungroup() -> predElection2020rev
}
predElection2012rev <- fix_electionData(predElection2012)
predElection2016rev <- fix_electionData(predElection2016)8.4.2 Pseudo-codes
electionDataMerged <- {
}
ggfacet_base_function <- function(Xdata)(
ggplot(
data=Xdata,
mapping=aes(
x=year,
y=得票率
)
) +
geom_point() +
geom_line()
)
ggfacet_base <- {
electionDataMerged %>%
filter(
party=="dpp", 地區=="新北市"
) %>%
ggfacet_base_function()
}
ggfacet_2012_2020elections <- {
electionDataMerged %>%
ggfacet_base_function() +
facet_grid(
rows=vars(地區),
cols=vars(party)
)
}8.4.3 資料整理
electionDataMerged <- {
predElection2020rev$year = 2020
predElection2012rev$year = 2012
predElection2016rev$year = 2016
electionDataMerged <-
dplyr::bind_rows(
predElection2012rev, predElection2016rev, predElection2020rev
)
electionDataMerged$姓名 %>% factor() ->
electionDataMerged$party
levels(electionDataMerged$party) <- c("pfp", "kmt", "dpp", "kmt", "kmt")
electionDataMerged %>%
mutate(
地區 = dplyr::if_else(地區=="桃園縣", "桃園市", 地區)) ->
electionDataMerged
electionDataMerged %>%
filter(
party != "pfp",
stringr::str_detect(地區,"北|桃|基|竹")
) -> electionDataMerged
electionDataMerged
}8.4.4 基本設計
ggfacet_base_function = function(Xdata)(
ggplot(
data=Xdata,
mapping=aes(
x=year,
y=得票率
)
) +
geom_point() +
geom_line() +
scale_x_continuous(
breaks=c(2012, 2016, 2020),
labels=c(2012, 2016, 2020)
)
)electionDataMerged %>%
filter(
party=="dpp", 地區=="新北市"
) %>%
ggfacet_base_function()
8.4.5 切圖
ggfacet_2012_2020elections <- {
electionDataMerged %>%
ggfacet_base_function() +
facet_grid(
rows=vars(地區),
cols=vars(party)
) +
theme_bw()
}
8.5 更多facet_grid的使用
8.6 KMT北中南東各區得票率
8.6.1 Pseudo-codes
electionKmtWithRegions <- {
}
# 基本設計
ggfacet_base_regional <- function(Xdata){
ggplot(
data=Xdata,
aes(
x=地區,
y=得票率,
fill=region
)
)
}
electionKmtWithRegions %>%
filter(
region=='北部'
) %>% #View()
# 切圖
ggfacet_electionByRegion <- {
electionKmtWithRegions %>%
ggfacet_base_regional() +
facet_grid(
cols=vars(region)
)
}8.6.2 資料整理
predElection2020rev$year = 2020
predElection2012rev$year = 2012
predElection2016rev$year = 2016
electionDataMerged <-
dplyr::bind_rows(
predElection2012rev, predElection2016rev, predElection2020rev
)
electionDataMerged$姓名 %>% factor() ->
electionDataMerged$party
levels(electionDataMerged$party) <- c("pfp", "kmt", "dpp", "kmt", "kmt")
electionDataMerged %>%
mutate(
地區 = dplyr::if_else(地區=="桃園縣", "桃園市", 地區)) ->
electionDataMerged
electionDataMerged %>%
filter(
year == 2020
) -> electionDataMerged2020
electionDataMerged2020 %>%
filter(
party=="kmt"
) %>%
mutate(
region =
dplyr::case_when(
stringr::str_detect(地區,"[北基竹桃宜]") ~ "北部",
stringr::str_detect(地區,"[中苗彰投雲]") ~ "中部",
stringr::str_detect(地區,"[高南嘉屏澎]") ~ "南部",
TRUE ~ "東部" # 其他
)
) -> electionKmtWithRegions8.6.3 基本設計
ggfacet_base_regional <- function(Xdata){
ggplot(
data=Xdata,
aes(
x=地區,
y=得票率,
fill=region
)
) +
geom_col() +
coord_flip()
}electionKmtWithRegions %>%
filter(
region=='北部'
) %>% #View()
ggfacet_base_regional()
8.6.4 切圖
electionKmtWithRegions %>%
ggfacet_base_regional() +
facet_grid(
rows=vars(region)
) 
electionKmtWithRegions %>%
ggfacet_base_regional() +
facet_grid(
rows=vars(region),
scales = "free_y"
) 
electionKmtWithRegions %>%
ggfacet_base_regional() +
facet_grid(
rows=vars(region),
scales = "free_y",
space = "free_y"
) + theme_classic()